Разработка типовых архитектур цифровых двойников производственно-логистических систем машиностроительных предприятий на разных стадиях их жизненного цикла

Совершенствование информационных технологий изменяет подходы к управлению жизненным циклом продукта и сложными системами, а также методы исследования сложных процессов. В последнее время все большее развитие получает направление цифровых двойников объектов, процессов и систем, что предполагает создание их виртуальных копий, с помощью которых можно исследовать и прогнозировать поведение рассматриваемого объекта. Приведена обобщенная архитектура цифровых двойников объектов, в число которых входят продукты, процессы и системы. Изложены вопросы построения цифровых двойников для машиностроительного предприятия. Показано, что для различных объектов одного и того же машиностроительного предприятия можно разработать множество цифровых двойников, каждый из которых будет решать свои задачи. Рассмотрены цифровые двойники производственно-логистической системы машиностроительного предприятия, его типовая архитектура и изменения цифрового двойника на различных стадиях ее жизненного цикла. Показано, что построение цифровых двойников производственно-логистической системы на различных стадиях ее жизненного цикла обеспечивает поддержку принятия организационно-технологических решений с целью повышения эффективности производственно-логистической системы. Описаны основные классы информационных систем, используемые для построения цифровых двойников производственно-логистической системы на стадиях проектирования и эксплуатации.

Литература

[1] Grieves M. Origins of the digital twin concept, doi: http://dx.doi.org/10.13140/RG.2.2.26367.61609

[2] Царев М.В., Андреев Ю.С. Цифровые двойники в промышленности: история развития, классификация, технологии, сценарии использования. Известия высших учебных заведений. Приборостроение, 2021, т. 64, № 7, с. 517–531, doi: https://doi.org/10.17586/0021-3454-2021-64-7-517-531

[3] Cheng J., Zhang H., Tao F. et al. DT-II:Digital twin enhanced Industrial Internet reference framework towards smart manufacturing. Robot. Comput. Integr. Manuf., 2020, vol. 62, art. 101881, doi: https://doi.org/10.1016/j.rcim.2019.101881

[4] Боровков А.И., Рябов Ю.А. Цифровые двойники: определение, подходы и методы разработки. Сб. тр. науч.-практ. конф. Цифровая трансформация экономики и промышленности. Санкт-Петербург, СПбПУ, 2019, с. 234–245.

[5] Григорьев С.Н., Долгов В.А., Никишечкин П.А. др. Разработка структурной модели цифрового двойника производственно-логистической системы машиностроительных предприятий. Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение, 2021, № 2, с. 43–58, doi: https://doi.org/10.18698/0236-3941-2021-2-43-58

[6] Cimino C., Negri E., Fumagalli L. Review of digital twin applications in manufacturing. Comput. Ind, 2019, vol. 113, art. 103130, doi: https://doi.org/10.1016/j.compind.2019.103130

[7] Григорьев С.Н., Долгов В.А., Никишечкин П.А. и др. Имитационное моделирование производственных процессов различных типов машиностроительных производств. Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение, 2022, № 3, с. 84–99, doi: https://doi.org/10.18698/0236-3941-2022-3-84-99

[8] Никишечкин П.А., Ивашин С.С., Черненко В.Е. и др. Система имитационного моделирования PlantTwin как инструмент верификации производственных планов и поддержки принятия решений для повышения эффективности машиностроительных производств. Вестник машиностроения, 2021, № 3, с. 80–85, doi: https://doi.org/10.36652/0042-4633-2021-3-80-85

[9] Davis J., Edgar T., Porter J. et al. Smart manufacturing, manufacturing intelligence and demand-dynamic performance. Comput. Chem. Eng., 2012, vol. 47, pp. 145–156, doi: https://doi.org/10.1016/j.compchemeng.2012.06.037

[10] Григорьев С.Н., Долгов В.А., Подкидышев А.А. и др. Управление загрузкой рабочих мест при изменении номенклатуры и программы выпуска деталей в дискретном производстве. Вестник машиностроения, 2022, № 7, с. 85–88.

[11] Nikishechkin P.A., Chervonnova N.Y., Nikich A.N. An approach of developing solution for monitoring the status and parameters of technological equipment for the implementation of Industry 4.0. IOP Conf. Ser.: Mater. Sci. Eng., 2020, vol. 709, no. 4, art. 044065, doi: https://doi.org/10.1088/1757-899X/709/4/044065

[12] Grigoriev S.N., Martinov G.M. An ARM-based multi-channel CNC solution for multi-tasking turning and milling machines. Procedia CIRP, 2016, vol. 46, pp. 525–528, doi: https://doi.org/10.1016/j.procir.2016.04.036

[13] Hao Z., Qiang L., Xin C. et al. A digital twin-based approach for designing and multi-objective optimization of hollow glass production line. IEEE Access, 2017, vol. 5, pp. 26901–26911, doi: https://doi.org/10.1109/ACCESS.2017.2766453

[14] Grigoriev S.N., Martinov G.M. Scalable open cross-platform kernel of PCNC system for multi-axis machine tool. Procedia CIRP, 2012, vol. 1, pp. 238–243, doi: https://doi.org/10.1016/j.procir.2012.04.043

[15] Tao F., Liu A., Hu T. et al. Digital twin driven smart design. Elsevier, 2020. 358 p.

[16] Grigoriev S.N., Masterenko D.A., Teleshevskii V.I. et al. Contemporary state and outlook for development of metrological assurance in the machine-building industry. Meas. Tech., 2013, vol. 55, no. 11, pp. 1311–1315, doi: https://doi.org/10.1007/s11018-013-0126-0

[17] Grigoriev S.N., Sinopalnikov V.A., Tereshin M.V. et al. Control of parameters of the cutting process on the basis of diagnostics of the machine tool and workpiece. Meas. Tech., 2012, vol. 55, no. 5, pp. 555–558, doi: https://doi.org/10.1007/s11018-012-9999-6

[18] Grigoriev S.N., Gurin V.D., Volosova M.A. et al. Development of residual cutting tool life prediction algorithm by processing on CNC machine tool. Materwiss. Werksttech., 2013, vol. 44, no. 9, pp. 790–796, doi: https://doi.org/10.1002/mawe.201300068